集群运动是一种由个体之间相互作用机制涌现出的复杂动力学现象,集群行为普遍存在于日常生活中,比如鸟群、鱼群、兽群和蜂群等发生的自然聚集现象,小到微生物、大到宇宙中星球天体的运动也都呈现出集群运动的特征,人类的生活居住、社会行为、经济生产等行为也显示出空间上的某种集群变化。集群运动的同步机制存在着丰富的潜在规律和应用价值,是一种理解生物复杂性的方法,借鉴生物学智慧,可将分布式策略用于多智能体系统的控制、协调和编队等,因此理解集群现象背后的本质一直是非平衡物理的一个重要研究方向。机器学习方法在识别、分类和描述复杂数据集方面具有卓越的能力,因而物理科学的各个领域已经将机器学习作为处理困难的科学问题的有力工具,来进行复杂的分类任务,处理庞大的数据集,推断未观测到的现象,甚至发现复杂现象的物理原理。因此,本文将机器学习的方法应用于自驱动集群动力学,针对集群运动的聚集现象、同步机制以及相变过程展开了深入研究,并取得了以下研究成果:针对集群运动过程中产生的聚集现象,本文提出了一个新的聚类序参量,并设计了求解序参量的算法。该算法考虑到自驱动集群运动的聚集特点,通过对比两种聚类有效性指标,将K-means聚类算法与平均轮廓系数相结合,将粒子的位置和方向作为算法输入的特征向量,求解出最佳聚类个数,即聚类序参量。与传统序参量相比,聚类序参量从集群团簇数量的角度量化自驱动集群系统的同步程度,能够区分具有不同聚集特点的集群运动状态。针对分子动力学模拟过程需要耗费大量时间与计算资源的问题,本文提出了一个基于图网络的集群动力学预测模型。该模型充分考虑到集群中个体之间的拓扑关系,将原始数据根据一定的物理约束规则处理为图结构数据,通过编码器自动进行特征提取,图网络模块实现点、边、全局属性的更新,解码器将潜在空间表征重构为输出。该模型能够对经典和以度为权的自驱动集群运动演化过程中的序参量进行预测,在各种噪音以及个体权重下表现出强大的预测能力和泛化能力。对模型进行训练和学习后,无需通过复杂且耗时的动力学模拟过程,仅从初始位形即可快速预测集群演化过程中的一致性变化以及集群稳定后的同步程度,节约时间和计算成本。本文的研究成果可以为其他具有局部相互作用的物理系统提供理论参考,不仅能够帮助人们对自然界中的集群运动现象有更深层次的理解,而且对多智能体的聚集和同步控制具有较强的应用价值。